4.1) Introdução
Uma vez recolhidos os dados, é importante analisá-los, de forma a verificar qual a relação entre o uso do sistema de patentes e a inovação. Para isso, na secção 4.2 é descrita a metodologia aplicada na análise econométrica. Na secção 4.3 são apresentados e discutidos os principais resultados que chegamos com a estimação de dez modelos. Por fim, na secção 4.4 é feita uma síntese deste capítulo.
4.2) Metodologia econométrica
No capítulo 3 foram já apresentados o modelo empírico a implementar, bem como a amostra utilizada. Esta, ao ser composta por 15 sectores de atividade económica, em 13 países ao longo de 9 anos, tem naturalmente uma natureza de dados em painel, já que abrange pelo menos duas dimensões – “uma dimensão do corte transversal, indicado pelo subscrito i, e uma dimensão de séries temporais, indicado pelo subscrito t” (Hsiao e Yanan, 2006: pp.1). Os modelos em painel juntam dados temporais (time- series) e seccionais (cross-section), que, neste estudo, permitem analisar diferenças ao longo do tempo e entre os indivíduos (cada par sector-país é um indivíduo neste caso).
Admitindo um painel de dados com n observações em T períodos e com K variáveis, temos que: Yit = Xit β + ɛit , com i = 1,…, n; t = 1,...T
onde Yit é a variável dependente; Xit e β representam vetores – o vetor das variáveis explicativas e o vetor
dos parâmetros a ser estimados, respetivamente; e ɛit são os erros aleatórios. O i representa a unidade
observável, que no caso deste estudo refere-se aos sectores de atividade económica da indústria transformadora; enquanto o t denota o período de cada variável. Neste sentido, o número total de observações numa base de dados em painel corresponde a n*T.
Os dados em painel apresentam algumas vantagens em relação ao cross-section, como é documentado por alguns autores (Hsiao, 2003; Hsiao e Yanan, 2006). Em primeiro lugar, a utilização de dados em painel permite uma inferência mais precisa dos parâmetros do modelo. Isto porque, os dados em painel apresentam a vantagem de utilizar um maior número de graus de liberdade e um menor risco de multicolinearidade (Hsiao e Yanan, 2006; Hsiao, 2003). O maior número de graus de liberdade
38
utilizado contribui para a simplificação e credibilidade acrescida das inferências estatísticas, enquanto a redução da multicolinearidade contribui para a melhoria da estimação dos parâmetros do modelo. Por outro lado, os dados em painel capturam de forma mais completa toda a informação, ao combinar a dimensão transversal e a temporal, quando comparado com dados de series temporais e cross-section. Esta maior capacidade de assimilar informação passa por conseguir, por exemplo, descobrir relações dinâmicas; controlar o impacto de variáveis omitidas; e gerar previsões mais precisas.
Porém, os dados em painel apresentam duas desvantagens – o enviesamento resultante da heterogeneidade e da seletividade dos indivíduos da amostra (Hsiao, 2003). Como a amostra deste estudo é reduzida no que respeita ao número de indústrias e de países, e ao período de tempo abordado, temos que ter em atenção um possível enviesamento. Até porque, relativamente às despesas em I&D, há alguns anos, em determinados sectores e países, que não existem dados disponíveis. Este enviesamento pode pôr em causa os resultados econométricos, já que, segundo Hsiao (2003), “É apenas tendo devidamente em conta os enviesamentos de seletividade e heterogeneidade nos dados em painel que se pode ter confiança nos resultados obtidos” (Hsiao, 2003: pp.11). De facto, a desvantagem mais frequente dos dados em painel é a heterogeneidade não observada, ou seja, podem existir fatores que condicionam a variável dependente que não estão a ser consideradas. Além destes aspetos a variável dependente apresenta uma forte auto correlação, pelo que devemos considerar esta potencial causa de enviesamento.
Existem dois métodos para tratar os dados em painel: método de efeitos fixos e método de efeitos aleatórios. O modelo de efeitos fixos considera que a heterogeneidade dos indivíduos capta-se na parte constante, diferindo entre os indivíduos. O modelo de efeitos aleatórios subentende que o comportamento específico de cada indivíduo e período de tempo é desconhecido, não podendo ser observado.
Para Wooldrige (2002), o efeito não observado αii é o principal determinante para decidir qual dos
modelos – efeitos fixos ou efeitos aleatórios – utilizar. Para o autor, se não existir correlação entre αii e todas as variáveis explicativas, então o modelo a utilizar será o de efeitos aleatórios. Se o contrário for verificado, ou seja, se existir a correlação indicada, então o melhor método será o de efeitos fixos. Isto porque, se houver a possibilidade de existência de uma correlação entre as variáveis explicativas e os efeitos individuais, o modelo de efeitos fixos é o preferível, já que há uma inconsistência nos estimadores dos modelos de efeitos aleatórios. Contudo, há que ter em atenção que o modelo de efeitos fixos não tem em conta variáveis explicativas que não variam no tempo. A distinção entre os dois modelos prende-se com a correlação entre os efeitos específicos do indivíduo da amostra com as variáveis explicativas, Ou
39
seja, no método de efeitos aleatórios, os efeitos específicos de cada individuo não estão correlacionados com as variáveis explicativas, e, no método de efeitos fixos pode existir esta correlação.
Com o intuito de encontrar o método de estimação mais apropriado, Buddelmeyer, Jensen, Oguzoglu e Webster (2008) desenvolveram um estudo de simulações de Monte Carlo, onde efetuaram 2500 repetições, concentrando-se apenas no efeito fixo. Os autores concluíram que, perante a existência de uma forte autocorrelação numa reduzida amostra, o modelo Mínimos Quadrados Ordinários (MQO) é o estimador mais adequado.
Uma vez que este estudo apresenta uma amostra de 15 sectores de manufatura, em 13 países da UE, num período de 9 anos, em que a variável dependente depende dela mesma no momento anterior e apresenta uma elevada auto correlação (0.9764), utilizaremos um modelo linear dinâmico, estimado pelo Método MQO.
4.3) Resultados empíricos
Nesta secção serão apresentados e discutidos os resultados da estimação dos modelos econométricos, confrontando-os com a literatura teórica e empírica mais relevante.
No sentido de detetarmos o impacto que as patentes exercem no nível de inovação, estimamos dois modelos, um modelo linear e um modelo linear dinâmico, ambos estimados pelo método MQO, que podem ser observados na Tabela 7. Com isto pretendemos confrontar os resultados obtidos por cada modelo e encontrar resultados favoráveis que corroborem as hipóteses definidas.
Note-se que as variáveis I&D, Patentes, Educação e PIB estão medidas em logaritmos.
Olhando para os resultados obtidos relativamente à qualidade do ajustamento vemos que o coeficiente de determinação R2 é bastante elevado no modelo linear dinâmico. Isto indica-nos que as variações no
nível de inovação, medido pela I&D, são explicadas pela I&D, pelos pedidos de Patentes, pela Educação e pelo PIB no momento anterior, pelo PIndex e EPO, e ainda pelas variáveis de Pavitt, em cerca de 95,8%.
40
Tabela 7. Modelo linear vs. Modelo linear dinâmico estimados pelo método MQO que atentam para o impacto das patentes na inovação
Modelo 1 Modelo 2
Variável dependente: I&D
Variáveis Independentes: MQO
I&D 0,872*** (0,019) Patentes 0,001 (0,019) 0,140*** (0,053) PIndex 0,401*** (0,143) 0,121* (0,072) EPO 0,684*** (0,176) 0,667*** (0,215) SB 2,993*** (0,105) -0,009 (0,053) SI 0,996*** (0,119) 0,070 (0,055) SS 0,769*** (0,137) -0,317*** (0,092) Educação 0,044 (0,449) -0,174* (0,105) PIB -0,007 (0,122) -0,3670 (0,244) Termo independente -3,524*** (1,188) 1,047 (1,846) R2 0,788 0,958
Ano dummies Yes Yes
Indústria dummies Yes Yes
País dummies Yes Yes
Nota: *** Nível de significância de 1%, ** Nível de significância de 5%, * Nível de significância de 10%. Fonte: Da autora
41
Fazendo agora uma análise individual de cada modelo, vemos que no Modelo 1 as variáveis SB, SI e SS são significativas a um nível de significância de 1%. Estes resultados vêm confirmar as teorias de Forsman (2011) sobre a importância da inclusão da taxonomia de Pavitt nos estudos de sectores industriais. Cada sector tem as suas próprias características que podem influenciar o nível inovador de diferentes formas. Também as variáveis PIndex e EPO se revelam fortemente significativas, o que nos indica que as diferenças entre os países são fatores importantes a ter em conta, tal como indicado por Qian (2007). Já as patentes revelam-se estatisticamente insignificantes.
Já no Modelo 2, sendo agora um modelo linear dinâmico, tanto as patentes como a I&D no momento t- 1 são fortemente significativas, tendo um efeito instantâneo na I&D no momento atual de cerca de 0,140 e 0,872, respetivamente. Desta forma, é apontado que as patentes exercem uma influência positiva nas despesas em I&D e, portanto, na inovação, tal como avançou Kanwar (2007). Também as variáveis PIndex, EPO, Educação, e SS se revelam estatisticamente significativas. Porém, contrariamente ao que seria de esperar, a Educação tem um impacto negativo no nível de inovação.
Fazendo uma análise global do impacto que as patentes exercem no nível de inovação, vemos que no modelo linear dinâmico, estimado pelo método MQO, os pedidos de Patentes assumem-se como positivos e estatisticamente significativos em relação às despesas em I&D. Desta forma, são confirmados os resultados esperados e igualmente obtidos por Hall, Griliches e Hausman (1986).
Relativamente às restantes variáveis é de salientar o coeficiente negativo, embora não estaticamente significativo, apresentado pelo PIB, o que contradiz o resultado esperado de que países com maior desenvolvimento, ou seja, maior PIB, teriam um melhor nível de inovação. Da mesma forma que o sinal negativo e estatisticamente significativo, apresentado pela Educação no Modelo 2 é de surpreender.
De forma a encontrar resultados empíricos que possam suportar a nossa Hipótese 1 apresentada no Capítulo 3, a qual sugere que as patentes têm um impacto positivo na inovação ao nível da indústria, construímos quatro modelos lineares dinâmicos, estimados pelo método MQO, um por cada sector do Pavitt, possíveis de ser observados na Tabela 8.
42
Tabela 8. Modelos lineares dinâmicos estimados pelo método MQO por sector do Pavitt
Modelo 3 Science Based Modelo 4 Scale Intensive Modelo 5 Specialized Suppliers Modelo 6 Supplier Dominated
Variável dependente: I&D
Variáveis Independentes: MQO
I&D 0,801*** (0,078) 0,906*** (0,025) 0,816*** (0,039) 0,826*** (0,054) Patentes -0,010 (0,137) 0,079 (0,116) 0,227*** (0,085) 0,124 (0,092) PIndex 0,129 (0,107) 0,146 (0,160) 0,168 (0,109) -0,019 (0,167) EPO (Dropped) 0,695 (0,477) 0,537* (0,312) 0,247 (0,425) Educação -0,075 (0,179) -0,241 (0,176) -0,004 (0,187) -0,551** (0,225) PIB -0,734* (0,386) -0,455 (5,520) -0,325 (0,373) 0,262 (0,694) Termo independente 6,450** (2,998) 2,119 (3,477) -0,472 (3,043) -4,118 (5,700) R2 0,974 0,952 0,964 0,902
Ano dummies Yes Yes Yes Yes
Indústria dummies Yes Yes Yes Yes
País dummies Yes Yes Yes Yes
Nota: *** Nível de significância de 1%, ** Nível de significância de 5%, * Nível de significância de 10%. Fonte: Da autora
Observando os coeficientes de determinação R2, vemos que em ambos os sectores de Pavitt as
variações nas despesas em I&D são fortemente explicadas pelas variáveis de controlo. O modelo 5, Science-Based, apresenta o maior valor de R2, mostrando assim que as variações nas despesas em I&D,
43
no momento atual, são explicadas pela I&D no momento anterior, pelos pedidos de patentes, pela Educação e pelo PIB, também no momento anterior, e ainda pelo PIndex, em cerca de 97%.
Analisando agora a I&D no momento anterior, destaca-se o seu forte efeito positivo e significativo sobre o nível de inovação, medido pelas despesas em I&D no momento atual, em ambos os modelos. É igualmente notório o facto de as patentes apenas se apresentarem estatisticamente significativas no sector Specialized Suppliers, sector este composto essencialmente pela manufatura de produtos médicos e de comunicação3. Isto faz sentido uma vez que é neste sector que se verifica um maior número de pedidos de
patentes, bem como um maior esforço inovador, já que, geralmente, são as áreas de atividade que carecem de constante desenvolvimento. Este resultado vem corroborar as indicações apontadas por Hall, Griliches e Hausman (1986), de que existem diferenças consideráveis entre as indústrias no que respeita à relação entre as patentes e a inovação. Também Mansfield (1986) concluiu que o efeito das patentes na inovação não é significativo na maioria dos sectores, tal como os nossos resultados empíricos apontam.
Neste sentido, a nossa Hipótese 1 é rejeitada, ou seja, não é possível concluir que o sistema legal de patentes tem um impacto positivo na inovação em todas as indústrias.
Debruçando-nos agora na validação da Hipótese 2 avançada no Capítulo 3, que indica que a participação na patente europeia tem um impacto positivo na inovação ao nível da indústria, são apresentados dois modelos – um para o grupo dos Países pertencentes à patente europeia por um maior período de tempo; e outro grupo para os países que aderiram posteriormente ao ano 2000.
Olhando para os coeficientes de determinação, vemos que no grupo de países aderentes à patente europeia antes de 2000 apresentam R2 superior, cerca de 97%. Ou seja, neste grupo de países as
variações em I&D são fortemente explicadas pelas Patentes, pela Educação, pelo PIB e pela I&D no momento anterior, e ainda pelo PIndex.
3 Ver Anexo 1
44
Tabela 9. Modelos lineares dinâmicos estimados pelo método MQO por grupo de países aderentes à EPO
Modelo 7 Anterior a 2000
Modelo 8 Posterior a 2000
Variável dependente: I&D
Variáveis Independentes: MQO
I&D 0,890*** (0,020) 0,791*** (0,045) Patentes 0,184*** (0,055) 0,038 (0,101) PIndex 0,527** (0,260) -0,168 (0,136) SB -0,306* (0,185) 0,538 (0,424) SI -0,105 (0,087) 0,185 (0,202) SS -0,478*** (0,142) 0,167 (0,341) Educação -0,130 (0,111) 0,067 (0,293) PIB -1,025*** (0,362) -0,509 (0,467) Termo independente 6,157* (3,705) 4,184 (3,960) R2 0,967 0,889
Ano dummies Yes Yes
Indústria dummies Yes Yes
País dummies Yes Yes
Nota: *** Nível de significância de 1%, ** Nível de significância de 5%, * Nível de significância de 10%. Fonte: Da autora
45
Destacamos que no Modelo 9 tanto a I&D no momento anterior, como as Patentes, o PIndex, o PIB e o sector Specialized Suppliers são estatisticamente significativos. Contrariamente ao que seria de esperar, verificamos que tanto a Educação como o PIB apresentam coeficientes negativos, embora a Educação não seja estatisticamente significativa.
Já no modelo 10, a qualidade de ajustamento é de cerca de 89%, sendo que apenas a I&D no momento anterior se apresenta estatisticamente significativa, com um efeito direto de 0,791.
Como o grupo de países que pertencem à patente europeia antes do ano 2000 beneficiam das suas vantagens por um maior período de tempo, e tendo em conta os resultados obtidos, podemos considerar a Hipótese 2 validada, vindo ao encontro das preposições avançadas por Hall e Harhoff (2012).
Uma possível explicação para o facto de algumas variáveis se apresentarem estatisticamente insignificativas em certos modelos, nomeadamente o PIndex, o PIB e a Educação, prende-se com os elevados valores de autocorrelação entre variáveis, apresentados na Tabela 3 no Capítulo 3.
4.4) Síntese e conclusões
Neste capítulo procedeu-se à apresentação e discussão dos resultados obtidos com a implementação de oito modelos empíricos, que pretendiam explicar qual o impacto que as patentes exercem no nível de inovação.
Dos resultados obtidos destaca-se que a inovação, representada pelas despesas em I&D no momento atual, são fortemente relacionadas com o montante de despesas em I&D apresentado no momento anterior. Relativamente à relação entre os pedidos de patentes e a I&D verificamos que apenas no sector Specialized Suppliers é que esta relação se verifica positiva e estatisticamente significativa, levando à rejeição da nossa Hipótese 1 que referia que as patentes têm um impacto positivo na inovação ao nível da indústria. Este resultado veio suportar as evidências encontradas por Mansfield (1986) e por Hall, Griliches e Hausman (1986).
Relativamente à nossa Hipótese 2, os resultados encontrados vêm valida-la, no sentido em que se verifica que nos países aderentes à patente europeia anteriormente ao ano de 2000, ou seja, nos países que beneficiam da patente europeia por um maior período de tempo, a participação na patente europeia tem um impacto positivo e estatisticamente significativo na inovação ao nível da indústria. Este resultado vem ao encontro das preposições avançadas por Hall e Harhoff (2012).
46
É importante destacar os elevados valores apresentados pelos coeficientes de determinação R2 de
todos os modelos estimados, sendo de 78,8% na pior das hipóteses (Modelo 1), o que nos indica que em ambos os modelos a I&D é fortemente explicada pelas nossas variáveis de controlo.
47
Capítulo 5 – Conclusão
5.1) Introdução
Neste último capítulo são apontadas as principais conclusões deste estudo, bem como são apresentadas as principais limitações com que nos deparamos. Por fim, na última secção, são feitas algumas sugestões para eventuais investigações futuras nesta matéria.
5.2) Síntese e conclusões
Não é facilmente percetível a ligação entre o uso de patentes e o incentivo à inovação. As opiniões dividem-se entre os diversos autores, sem nunca se chegar a uma conclusão abrangente a todos os sectores, em todos os países. Se por um lado é certo que as patentes podem trazer benefícios e induzir a novas inovações, por outro geram custos e podem prejudicar, ao invés de estimular a I&D.
Assim, tanto a literatura teórica como as evidências empíricas, apontam para resultados não consensuais, ou seja, a existência de uma correlação entre o uso de patentes e o incentivo à inovação, está dependente de algumas questões, tais como o sector de atividade e o país que se analise. Uma leitura inicial dos dados revelou uma forte heterogeneidade intersectorial no que respeita à propensão para patentear e aos gastos em I&D, e ainda que os sectores com maior intensidade em I&D e em patentes são os que apresentam maior heterogeneidade intrassectorial.
Através da implementação de oito modelos empíricos, verificamos que, tal como apontado na literatura, a influência positiva das patentes sobre a inovação não é abrangente a todas as indústrias. Ainda que todos os nossos modelos apresentem uma qualidade de ajustamento bastante elevada, as Patentes nem sempre se revelam estatisticamente significativas, levando a crer que as características de cada sector influenciam o montante de despesas em I&D, o número de pedidos de patentes e a relação entre estes dois fatores. Desta forma, a Hipótese 1 foi rejeitada, ou seja, não é possível concluir que o sistema legal de patentes tem um impacto positivo na inovação em todas as indústrias.
Um resultado importante deste estudo prende-se com o facto de que os resultados da estimação de cada modelo revelam que as despesas em I&D no momento atual estão fortemente relacionadas com as
48
despesas em I&D realizados no período anterior. Desta forma, concluímos que a I&D é um bom indicador de previsão dela mesma que não deve ser descurado em investigações nesta área.
Um outro aspeto crucial a realçar refere-se à importância que a patente europeia tem vindo a adquirir no que concerne ao nível inovador de cada país. Verificamos que nos países pertencentes à EPO por um maior período de tempo, a participação na patente europeia tem um impacto positivo e estatisticamente significativo na inovação ao nível da indústria. Desta forma, a nossa Hipótese 2 foi validada.
Perante estes resultados, e tendo em conta todos os argumentos teóricos e evidências empíricas avançadas na literatura, consideramos importante continuar a investigar este tema, para que possa ser cada vez mais percetível a deteção de uma possível conexão entre as patentes e a inovação. Esta deteção é imprescindível de ser realizada, pois, uma vez confirmada, permitirá aos governos estimular legalmente a inovação nas suas indústrias.
5.3) Limitações
A principal limitação deste estudo prende-se com a dificuldade de aceder aos dados necessários. Primeiramente era pretendido estudar a indústria transformadora de todos os países da União Europeia, no período compreendido entre 1990 e 2009, mas, devido à inexistência de alguns dados referentes aos pedidos de patentes e às despesas em I&D, tivemos que reduzir a amostra para dezanove países entre 2002 e 2009. Posteriormente, aquando da recolha de outros dados essenciais, a amostra teve que ser reduzida novamente, ficando apenas com treze países da União Europeia, no mesmo período (2002 a 2009).
Durante a pesquisa desenvolvida, foi facilmente percetível a importância da distinção entre as patentes de apropriação e as patentes estratégicas. Contudo, no âmbito de uma análise empírica, é bastante complicado conseguir mensurar quais as patentes destinadas a motivações estratégicas, principalmente quando a análise é feita ao nível do sector, e não ao nível da empresa, como é o caso deste estudo. Assim, esta foi também uma das grandes limitações desta investigação.
49
5.4) Sugestões para investigações futuras
O grande desafio para eventuais estudos futuros neste tema prende-se com as limitações que foram apresentadas. Torna-se importante conseguir desenvolver um estudo com maior amplitude de países e anos, bem como conseguir distinguir empiricamente os dois tipos de patentes, de forma a melhor entendermos qual a relação existente entre as patentes e a inovação.
É igualmente importante aplicar métodos de análise econometria diferentes e ser mais exaustivos na análise econométrica, nomeadamente numa análise sectorial.
51
REFERÊNCIAS BIBLIOGRÁFICAS
Amara, N., Landry, R., e Traoré, N. (2008) “Managing the protection of innovations in knowledge-intensive business services”. Research Policy, Vol.37, pp.1530-1547.
Arora, A., Ceccagnoli, M., e Cohen, W. (2007) “R&D and the patent premium”. International Journal of